本文提出了一种基于 Faster R-CNN 及特征学习的几类物体检测方法，采用基于原型网络的方法，在线适应新类别，并使用嵌入向量与类别原型之间的距离确定对应分类得分。该方法在 DOTA 数据集上进行了评估，强调了特征学习对几类目标检测任务的应用潜力和局限性。

Sep, 2021

本文旨在使用仅有少量示例来进行卫星图像中的目标检测，从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器，其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型，并与区域建议内容进行标签预测。另外，我们提出在可用的训练图像上微调原型，以提高性能并学习类似类别之间的差异，例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外，我们研究了视觉和图像文本特征的性能，即 DINOv2 和 CLIP，包括专门针对遥感应用的两个 CLIP 模型。结果表明，视觉特征在很大程度上优于视觉语言模型，因为后者缺乏必要的领域特定词汇。最后，尽管训练参数很少，但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。

Mar, 2024

本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

Jun, 2020

本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

Mar, 2020

本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

May, 2020

本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

Mar, 2020

提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023

我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

Aug, 2023

本文提出了基于类代表特征和几何相似性的少样本物体检测和视角估计方法，取得了 PASCAL，COCO，Pascal3D+，ObjectNet3D 和 Pix3D 数据集中的最优结果。

Jul, 2020

本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

Oct, 2021